HFT-ONLSTM：分层与微调的多标签文本分类
计算与语言
2022-04-19 v1 人工智能
摘要
现实世界中许多重要的分类问题由层级结构或分类法中大量紧密相关的类别构成。在按层级或分类法组织的大批紧密相关的类别上取得更高精度的分层多标签文本分类（HMTC）已成为一项挑战。本文提出一种基于有序神经 LSTM 神经网络（Ordered Neural LSTM，简称 ONLSTM）的分层与微调方法，缩写为 HFT-ONLSTM，用于更精准的逐级 HMTC。首先，我们提出一种基于父类别标签与文本数据学习联合嵌入的新方法，以准确捕捉类别标签与文本的联合特征。其次，采用微调技术训练参数，使上层文本分类结果有助于下层分类。最后，在两个基准数据集上对比最先进的分层与扁平多标签文本分类方法开展大量实验并进行综合分析，实验结果表明我们的 HFT-ONLSTM 方法优于这些方案，尤其在降低计算成本的同时实现了更优性能。
引用
@article{arxiv.2204.08115,
title = {HFT-ONLSTM: Hierarchical and Fine-Tuning Multi-label Text Classification},
author = {Pengfei Gao and Jingpeng Zhao and Yinglong Ma and Ahmad Tanvir and Beihong Jin},
journal= {arXiv preprint arXiv:2204.08115},
year = {2022}
}
备注
31 pages, 8 tables, 4 figures